本發(fā)明涉及光伏發(fā)電系統(tǒng)控制，特別是一種用于光伏遮陽棚發(fā)電系統(tǒng)中最大功率點跟蹤(mppt)的改進的混合量子粒子群算法。

背景技術：

1、光伏發(fā)電系統(tǒng)因其清潔、可再生的特點而受到廣泛關注。在光伏系統(tǒng)中，最大功率點跟蹤技術對于提高發(fā)電效率至關重要。傳統(tǒng)的mppt算法在光照條件變化或存在局部陰影遮擋時，可能無法準確跟蹤全局最大功率點，影響發(fā)電效率。為了提高光伏系統(tǒng)在復雜環(huán)境下的mppt性能，智能算法如粒子群優(yōu)化(pso)算法和量子粒子群優(yōu)化(qpso)算法被廣泛研究應用。然而，現(xiàn)有的qpso算法在實際應用中仍存在早熟收斂和易陷入局部最優(yōu)的不足。

2、本發(fā)明涉及太陽能光伏發(fā)電領域，特別是一種基于改進的混合量子粒子群優(yōu)化(quantum?particle?swarm?optimization,qpso)算法的最大功率點跟蹤(mppt)控制方法，用于提高光伏發(fā)電系統(tǒng)在部分陰影遮擋情況下的效率。

技術實現(xiàn)思路

1、為了解決現(xiàn)有技術中的上述問題，本發(fā)明提供了一種基于改進的混合量子粒子群優(yōu)化算法(hqpso)的光伏陣列最大功率點跟蹤方法。該方法通過優(yōu)化量子粒子群算法的收縮-擴張系數(shù)，并引入萊維飛行策略，提高了算法的全局搜索能力和局部搜索能力，從而實現(xiàn)了對光伏陣列多峰值情況下的全局最大功率點的快速準確跟蹤。

2、為達上述目的，本發(fā)明采用的技術方案為：

3、本發(fā)明的hqpso算法的包括以下步驟：

4、初始化種群規(guī)模、維度、最大迭代次數(shù)以及種群中粒子的位置、粒子的個體最優(yōu)位置和全局最優(yōu)位置；計算粒子群的平均最優(yōu)位置；根據(jù)改進的量子粒子群優(yōu)化算法公式更新粒子的位置；計算粒子的適應度值。更新粒子的個體最優(yōu)位置和全局最優(yōu)位置；根據(jù)適應度值動態(tài)調整收縮-擴張系數(shù)；判斷是否滿足終止條件，若滿足則輸出結果，若不滿足則返回重新計算粒子群的平均最優(yōu)位置。

5、根據(jù)本發(fā)明的實施例，優(yōu)選地，初始化種群中的粒子的位置，設定輸出電壓范圍為0至uoc，并初始設定個體最優(yōu)輸出電壓和全局最優(yōu)輸出電壓；檢測當前的光照強度和溫度，確定目標函數(shù)；計算輸出電壓對應的輸出功率；根據(jù)全局最優(yōu)位置的平均值來計算平均最優(yōu)輸出電壓；通過可變化的收縮-擴張(ce)系數(shù)策略，更新ce系數(shù)。ce系數(shù)β在尋優(yōu)過程中根據(jù)粒子適應度值的變化進行調整，使每個粒子都可獲得專屬的ce系數(shù)β；根據(jù)判斷粒子最優(yōu)位置的條件，若群體的全局最優(yōu)位置更新，則更新個體最優(yōu)輸出電壓和全局最優(yōu)輸出電壓，否則進入下一步；將萊維飛行策略添加到粒子位置更新公式中，根據(jù)此公式更新輸出電壓；計算輸出功率后，更新個體最優(yōu)輸出電壓和全局最優(yōu)輸出電壓；判斷是否滿足重啟條件，若滿足則返回檢測環(huán)境參數(shù)，重新進行檢測和計算；判斷是否滿足終止條件，若滿足則輸出結果，否則返回萊維飛行策略步驟中繼續(xù)執(zhí)行萊維飛行策略；輸出結果為輸出最大功率點的電壓和功率值。

6、根據(jù)本發(fā)明的實施例，優(yōu)選地，設定光伏陣列的輸出電壓范圍為0至開路電壓(uoc)，確定算法的初始搜索空間覆蓋整個可能的最大功率點范圍。在所述設定的輸出電壓范圍內，隨機生成種群中每個粒子的初始位置，所述該位置即為每個粒子的輸出電壓值。所述的初始化方法可以防止粒子初始位置過于集中，避免早熟收斂。將每個粒子的當前位置設定為其個體最優(yōu)輸出電壓(pbest)，初始時每個粒子的個體最優(yōu)位置即為其自身的位置。在種群中選取適應度值最高的粒子，將其輸出電壓值設定為全局最優(yōu)輸出電壓(gbest)。所述的設定可以使得算法在初始階段便具備較高的搜索效率和準確度。

7、根據(jù)本發(fā)明的實施例，優(yōu)選地，利用高靈敏度和快速響應的光照傳感器實時檢測當前光伏陣列所受光照的強度，以及環(huán)境光照的瞬時變化。使用高精度和穩(wěn)定性的溫度傳感器實時監(jiān)測光伏陣列周圍的溫度。將檢測到的光照強度和溫度數(shù)據(jù)傳輸至控制器進行處理?？刂破鲗?shù)據(jù)進行濾波和校正，去除噪聲和誤差。根據(jù)處理后的光照強度和溫度數(shù)據(jù)，動態(tài)調整可以反映當前環(huán)境條件下光伏陣列的輸出特性的目標函數(shù)。

8、根據(jù)本發(fā)明的實施例，優(yōu)選地，通過高精度電壓和電流傳感器，實時采集光伏陣列的當前輸出電壓vout和輸出電流iout數(shù)據(jù)。利用公式pout＝vout×iout計算當前輸出電壓對應的輸出功率。

9、將計算得到的輸出功率pout作為適應度值，適應度值用于衡量粒子當前位置的優(yōu)劣，直接影響后續(xù)粒子的位置更新和全局最優(yōu)解的尋優(yōu)過程。根據(jù)上述環(huán)境參數(shù)(光照強度和溫度)和歷史數(shù)據(jù)，動態(tài)調整適應度函數(shù)的參數(shù)，計算高精度的適應度值。

10、根據(jù)本發(fā)明的實施例，優(yōu)選地，收集粒子群中每個粒子當前的全局最優(yōu)位置數(shù)據(jù)gbest，這些數(shù)據(jù)是粒子在尋優(yōu)過程中找到的最佳位置，對應的輸出電壓值。計算每個粒子的適應度值f(gbest)，適應度值越高，表明粒子當前位置越接近最大功率點(mpp)。利用每個粒子的適應度值作為權重，計算全局最優(yōu)位置的加權平均值。計算公式為：

11、根據(jù)本發(fā)明的實施例，優(yōu)選地，vi為第i個粒子的全局最優(yōu)位置，f(gbest,i)為對應的適應度值，n為粒子的總數(shù)。通過加權平均，能夠有效過濾掉異常數(shù)據(jù)，得到更具代表性的平均最優(yōu)輸出電壓。對計算得到的平均最優(yōu)輸出電壓進行驗證，如果發(fā)現(xiàn)數(shù)據(jù)異常，重新校正和調整。

12、根據(jù)本發(fā)明的實施例，優(yōu)選地，計算每個粒子的適應度值f(pi)，其中pi為粒子的當前位置。評估粒子適應度值的變化情況，記錄當前適應度值fcurrent與歷史最優(yōu)適應度值fbest的差異。根據(jù)適應度值的變化情況，通過自適應函數(shù)動態(tài)調整ce系數(shù)β。調整公式如下：

13、根據(jù)本發(fā)明的實施例，優(yōu)選地，β0為初始ce系數(shù)，fmax和fmin分別為適應度值的最大值和最小值。利用更新后的ce系數(shù)β，調整粒子的速度和位置，以增強搜索的靈活性和適應性，具體公式如下：vi(t+1)＝βi×vi(t)+c1×rand()×(pbest-pi(t))+c2×rand()×(gbest-pi(t))

14、根據(jù)本發(fā)明的實施例，優(yōu)選地，vi(t)為粒子當前速度，pbest為粒子歷史最優(yōu)位置，gbest為全局最優(yōu)位置，c1和c2為加速常數(shù)，rand()為隨機函數(shù)。

15、根據(jù)本發(fā)明的實施例，優(yōu)選地，計算每個粒子的當前適應度值f(pi(t))，其中pi(t)為粒子當前的位置。比較每個粒子的當前適應度值f(pi(t))與其歷史最優(yōu)適應度值f(pbest,i)。如果f(pi(t))優(yōu)于f(pbest,i)，則更新個體最優(yōu)位置pbest。

16、比較所有粒子的個體最優(yōu)位置，找到適應度值最高的粒子位置pgbest，并將其作為全局最優(yōu)位置。如果f(pgbest)優(yōu)于歷史全局最優(yōu)適應度值，則更新全局最優(yōu)位置gbest和全局最優(yōu)輸出電壓。

17、根據(jù)更新后的個體最優(yōu)位置和全局最優(yōu)位置，調整每個粒子的速度和位置。更新公式為：

18、vi(t+1)＝vi(t)+c1×rand()×(pbest,i-pi(t))+c2×rand()×(gbest-pi(t))

19、pi(t+1)＝pi(t)+vi(t+1)

20、根據(jù)本發(fā)明的實施例，優(yōu)選地，vi(t)為粒子當前速度，c1和c2為加速常數(shù)，rand()為隨機函數(shù)。

21、根據(jù)本發(fā)明的實施例，優(yōu)選地，根據(jù)萊維飛行分布生成隨機步長l(s)，其概率密度函數(shù)為：

22、根據(jù)本發(fā)明的實施例，優(yōu)選地，1<β≤3為萊維飛行分布的參數(shù)。

23、根據(jù)本發(fā)明的實施例，優(yōu)選地，評估粒子的當前適應度值f(pi(t))和歷史適應度值f(pbest,i)，確定搜索方向和步長。將萊維飛行策略融入粒子位置更新公式，具體為：pi(t+1)＝pi(t)+vi(t)×l(s)

24、根據(jù)本發(fā)明的實施例，優(yōu)選地，vi(t)為粒子當前速度，l(s)為根據(jù)萊維飛行分布生成的隨機步長。根據(jù)更新后的粒子位置pi(t+1)計算輸出電壓，確保新的位置能夠更好地接近最大功率點。

25、根據(jù)本發(fā)明的實施例，優(yōu)選地，基于更新后的粒子位置pi(t+1)，計算新的輸出功率pout。計算公式為：pout＝vi(t+1)×ii(t+1)

26、根據(jù)本發(fā)明的實施例，優(yōu)選地，vi(t+1)為更新后的輸出電壓，ii(t+1)為對應的輸出電流。將新的輸出功率pout作為適應度值f(pi(t+1))，用于評估當前粒子位置的性能。比較粒子的當前適應度值f(pi(t+1))與其歷史適應度值f(pbest,i)。如果f(pi(t+1))優(yōu)于f(pbest,i)，則更新個體最優(yōu)輸出電壓pbest,i為當前輸出電壓vi(t+1)。比較所有粒子的個體最優(yōu)輸出電壓，找到適應度值最高的粒子位置，并將其作為全局最優(yōu)位置。如果適應度值優(yōu)于歷史全局最優(yōu)值，則更新全局最優(yōu)輸出電壓gbest。對更新后的個體最優(yōu)和全局最優(yōu)輸出電壓進行驗證，如發(fā)現(xiàn)異常，需重新校正和調整，系統(tǒng)持續(xù)優(yōu)化。

27、根據(jù)本發(fā)明的實施例，優(yōu)選地，實時監(jiān)測當前所有粒子的適應度值f(pi(t))，并與歷史適應度值進行比較，評估適應度值的變化情況。記錄當前迭代次數(shù)t，并與預設的最大迭代次數(shù)tmax進行比較，判斷是否達到最大迭代次數(shù)。

28、對光照強度、溫度等環(huán)境參數(shù)進行實時監(jiān)測，判斷是否出現(xiàn)顯著變化(如大于預設閾值)，需要重新進行環(huán)境參數(shù)檢測和計算。綜合適應度值變化、迭代次數(shù)和環(huán)境參數(shù)變化，判斷是否滿足重啟條件。

29、根據(jù)本發(fā)明的實施例，優(yōu)選地，具體條件包括但不限于：

30、適應度值變化小于預設閾值f，當前迭代次數(shù)達到或超過最大迭代次數(shù)tmax，環(huán)境參數(shù)變化大于預設閾值δe。

31、根據(jù)本發(fā)明的實施例，優(yōu)選地，若滿足重啟條件，則觸發(fā)算法重啟，返回檢測光照強度和溫度，確定目標函數(shù)，重新進行環(huán)境參數(shù)檢測和計算，確保優(yōu)化過程的連續(xù)性和適應性。

32、根據(jù)本發(fā)明的實施例，優(yōu)選地，若不滿足重啟條件，則繼續(xù)當前優(yōu)化迭代，直至達到優(yōu)化目標或滿足重啟條件。

33、根據(jù)本發(fā)明的實施例，優(yōu)選地，實時監(jiān)測當前所有粒子的適應度值f(pi(t))，并與預設的最優(yōu)適應度值閾值fopt進行比較，判斷是否達到最優(yōu)適應度值。檢查當前適應度值的變化情況，判斷是否達到適應度值收斂條件，如適應度值變化小于預設閾值δf或適應度值變化在連續(xù)若干次迭代中均小于閾值。

34、記錄當前迭代次數(shù)t，并與預設的最大迭代次數(shù)tmax進行比較，判斷是否達到最大迭代次數(shù)。綜合適應度值、收斂性和迭代次數(shù)，判斷是否滿足終止條件。

35、根據(jù)本發(fā)明的實施例，優(yōu)選地，具體條件包括但不限于：

36、適應度值達到或超過預設閾值fopt，適應度值收斂，即適應度值變化小于預設閾值δf，當前迭代次數(shù)達到或超過最大迭代次數(shù)tmax。

37、根據(jù)本發(fā)明的實施例，優(yōu)選地，若滿足終止條件，則終止優(yōu)化計算，并輸出最終結果，包括最優(yōu)適應度值、最優(yōu)輸出電壓和最優(yōu)輸出功率等。

38、根據(jù)本發(fā)明的實施例，優(yōu)選地，若不滿足終止條件，則返回將萊維飛行策略添加到粒子位置更新公式中，根據(jù)此公式更新輸出電壓，繼續(xù)執(zhí)行萊維飛行策略，進一步優(yōu)化粒子位置和輸出電壓。

39、根據(jù)本發(fā)明的實施例，優(yōu)選地，在終止條件判斷是否滿足終止條件中，找到具有最高適應度值的粒子位置pbest，該位置對應的電壓vmpp和功率pmpp即為光伏系統(tǒng)的最大功率點。根據(jù)最優(yōu)粒子位置pbest，精確計算輸出電壓vmpp。將輸出電壓vmpp代入功率計算公式，計算對應的輸出功率pmpp＝vmpp×impp

40、根據(jù)本發(fā)明的實施例，優(yōu)選地，impp為對應的輸出電流。

41、根據(jù)本發(fā)明的實施例，優(yōu)選地，將計算得到的最大功率點電壓vmpp和功率pmpp輸出，并用于調整光伏系統(tǒng)的工作點。

42、根據(jù)本發(fā)明的實施例，優(yōu)選地，收縮-擴張系數(shù)β對粒子的行為有著直接的影響。本發(fā)明通過一種可變化的ce系數(shù)策略，使每個粒子具有自己對應的ce系數(shù)β，其表達式如下：

43、

44、根據(jù)本發(fā)明的實施例，優(yōu)選地，favg、fmin、fmax分別為當前種群的平均適應度值、最小適應度值和最大適應度值。

45、根據(jù)本發(fā)明的實施例，優(yōu)選地，在粒子的位置更新過程中，本發(fā)明引入了萊維飛行策略，以增加算法在收斂后期的種群多樣性，避免算法陷入局部最優(yōu)。具體公式如下：

46、xi,j(t+1)＝xi,j(t)+β·|mbest(t)-xi,j(t)|·levy(λ)

47、根據(jù)本發(fā)明的實施例，優(yōu)選地，mbest(t)為當前種群的平均最優(yōu)位置，levy(λ)為萊維飛行步長。